CN107766300B - 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 - Google Patents
基于威布尔-伽马模型的电力系统可靠性非精确分析方法 Download PDFInfo
- Publication number
- CN107766300B CN107766300B CN201711011259.6A CN201711011259A CN107766300B CN 107766300 B CN107766300 B CN 107766300B CN 201711011259 A CN201711011259 A CN 201711011259A CN 107766300 B CN107766300 B CN 107766300B
- Authority
- CN
- China
- Prior art keywords
- parameter
- function family
- reliability
- power system
- life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开一种基于威布尔‑伽马模型的电力系统可靠性非精确分析方法,应用于电力规划与可靠性领域,针对目前电力系统元件可靠非精确概率计算研究匮乏的问题,设定寿命随机变量T服从参数为A,b的威布尔分布,尺度参数A先验分布为参数为α和β的伽马分布,推导得出寿命随机变量分布函数族、可靠度函数族、故障率函数族、期望的区间值上下界表达式,为电力系统元件及系统的非精确可靠性评估和预测提供了依据。
Description
技术领域
本发明属于电力规划与可靠性领域,特别涉及一种电力系统可靠性非精确分析技术。
背景技术
威布尔模型是可靠性应用领域最经典的分布模型,主要应用于疲劳寿命研究、维修策略制定等方面。其在电力系统中的应用十分广泛。如变电站设备维修策略制定、电力系统元件可靠性评估、半马尔科夫过程电力系统状态持续时间模型、功率分配与继电器位置规划、变压器油的脉冲击穿强度模型、变压器绝缘寿命分析、新能源发电系统可靠性建模、继电保护装置失效率估计等。
目前已有学者总结了常用的对威布尔分布的参数估计的方法(即确定其所建立模型的精确概率信息),但是都是建立在大量样本数据的基础上。但是随着新能源的接入以及电力系统各种复杂原因,无法获得待研究对象足够的样本数据。在数据缺乏的情况下,有学者提出了一种用最小二乘法及平均秩次法估算威布尔分布参数值的方法,以及基于BP神经网络的小样本失效数据下继电保护可靠性评估方法,但是都是运用精确概率理论。由于样本数据的缺乏造成认知的不确定性,从而产生非精确性,传统的精确概率理论已经不能准确的描述研究对象的概率信息,因此用非精确概率理论来代替精确概率理论,而对于威布尔模型的非精确概率推断鲜有文献提及。
发明内容
为解决上述技术问题,本申请提出了一种基于威布尔-伽马模型的电力系统可靠性非精确分析方法,利用贝叶斯公式、基于分布函数为威布尔分布、尺度参数服从伽马分布(简称威布尔-伽马模型)的寿命随机变量进行非精确概率推断,得出了电力系统元件在已知样本数据条件下的寿命分布函数族、可靠度函数族以及故障率函数族、寿命期望的区间值上下界表达式。
本发明采用的技术方案为:基于威布尔-伽马模型的电力系统可靠性非精确分析方法,寿命随机变量T服从参数为A,b的威布尔分布W(A,b),其中,A为尺度参数,b为形状参数;包括以下步骤:
S1、收集元件的寿命样本数据,并记下样本数据容量N;
其中,ti表示第i个样本数据;
S3、分别确定寿命分布函数族、元件可靠度函数族、元件故障率函数族以及元件寿命期望各自的参数s;
进一步地,所述尺度参数A先验分布为参数为α和β的伽马分布Γ(a;α,β)。
其中,b为形状参数。
其中,b为形状参数。
其中,b为形状参数。
其中,b为形状参数。
本发明的有益效果:本发明的基于威布尔-伽马模型的电力系统可靠性非精确分析方法,利用贝叶斯公式,对尺度参数服从伽马分布,分布函数为威布尔分布(简称威布尔伽马模型)的寿命随机变量进行非精确概率推断,得出了寿命随机变量分布函数、可靠度函数、故障率函数、期望的区间值上下界表达式;为电力系统元件及系统的非精确可靠性评估和预测提供了依据。
附图说明
图1为本申请的方案流程图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
如图1所示为本申请的方案流程图,本申请的技术方案为:基于威布尔-伽马模型的电力系统可靠性非精确分析方法,包括:
S1、记录下电力系统元件的失效数据,即收集元件的寿命样本数据t(t1,t2,…tN),并记下样本数据容量N;具体操作:记录下所有观察元件的投入使用时刻以及失效退出。用tis表示i个观察元件的投入使用时刻,用tif表示第i个观察元件的失效推出时刻;然后根据公式ti=tif-tis计算出第i个观察元件的寿命ti;(其中i=1,2…N)。
其中,ti表示第i个样本数据;
设电力系统元件寿命随机变量T服从参数为A,b的威布尔分布W(A,b),其中A为尺度参数(未知),b为形状参数。则寿命T的分布函数和密度函数分别为:
F(t|A)=1-exp(-Atb) (A>0) (1)
fX(t|A)=Abtb-1exp(-Atb) (A>0) (2)
其中,t表示寿命随机变量T的取值变量;
可靠度函数为:
其中,尺度参数A先验分布为:参数为α和β的伽马分布Γ(a;α,β),即随机变量A的概率密度函数为:
电力系统元件寿命样本值为:
t=(t1,t2,…tN) (5)样本值之和为:
根据贝叶斯公式,则尺度参数A后验分布为:
因为样本t1,t2,…tN之间相互独立,所以尺度参数A后验分布可表示为:
将式(2)、(4)代入式(8)整理得尺度参数A后验分布为:
寿命T的在已知样本t=(t1,t2,…tN)条件下的分布函数族为:
F(t|t)=1-R(t|t) (10)
由全概率公式可知,其中可靠度函数族R(t|t):
将式(3)、(9)代入式(11)得在已知样本t=(t1,t2,…tN)条件下的可靠度函数族为:
将式(12)代入式(10)可得寿命T的在已知样本t=(t1,t2,…tN)条件下的分布函数族为:
同理,由全概率公式可知,寿命T的在已知样本t=(t1,t2,…tN)条件下的期望值:
其中,寿命T在尺度参数A取值为a(可理解为尺度参数A为随机变量,a为随机变量A的一个取值)条件下的期望:
由式(14)、(15)得:
令α,β∈(0,s)s>0,已知F(t|t)关于α单调递增,关于β单调递减,故F(t|t)在α=0,β=s时取得最小值,在α=s,β=0时取得最大值。故由式(13)可求得分布函数族F(t|t)非精确概率区间下界和上界分别为:
由式(17)、(10)可知可靠度函数族R(t|t)非精确概率区间的下界和上界分别为:
由全概率公式可求出故障率函数族h(t|t):
由式(19)易知故障率函数族h(t|t)区间的下界和上界为:
由式(16)易知,寿命T在样本数据t=(t1,t2,…tN)条件下的期望E(T|t)关于α单调递减,关于β单调递增。故E(T|t)在α=s,β=0时取得最小值,在α=0,β=s时取得最大值。可求得E(T|t)非精确概率区间下界和上界分别为:
S3、分别确定寿命分布函数族、元件可靠度函数族、元件故障率函数族以及元件寿命期望各自的参数s;参数s与样本数据都是影响非精确性程度的因素,对电力系统元件寿命分布函数族、可靠度函数族、故障率函数族以及寿命期望的区间宽度都有影响。理论上参数s可取任意值,但从实践角度来讲,可根据现有样本数据事先设定区间宽度(A式(13)、(12)、(19)、(16)中的F(t|t)、R(t|t)、h(t|t)、E(T|t)都可以表示为A),分别结合式(17)、(18)、(20)、(21)再分别解出寿命分布函数族、可靠度函数族、故障率函数族以及寿命期望各自的参数s,之后都是分别用这些参数值。这样就可以体现样本数据对系统造成的相对非精确程度。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (2)
1.基于威布尔-伽马模型的电力系统可靠性非精确分析方法,其特征在于,寿命随机变量T服从参数为A,b的威布尔分布W(A,b),其中,A为尺度参数,b为形状参数;包括以下步骤:
S1、收集元件的寿命样本数据t,并记下样本数据容量N;
其中,ti表示第i个样本数据;
S3、分别确定寿命分布函数族、元件可靠度函数族、元件故障率函数族以及元件寿命期望各自的参数s;步骤S3所述确定寿命分布函数族的参数s具体为:设定△F(t|t)的值,根据下式计算得到寿命分布函数族的参数s;
其中,b为形状参数;
2.根据权利要求1所述的基于威布尔-伽马模型的电力系统可靠性非精确分析方法,其特征在于,所述尺度参数A先验分布为参数为α和β的伽马分布Γ(a;α,β)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711011259.6A CN107766300B (zh) | 2017-10-26 | 2017-10-26 | 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711011259.6A CN107766300B (zh) | 2017-10-26 | 2017-10-26 | 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766300A CN107766300A (zh) | 2018-03-06 |
CN107766300B true CN107766300B (zh) | 2021-03-02 |
Family
ID=61270513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711011259.6A Active CN107766300B (zh) | 2017-10-26 | 2017-10-26 | 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766300B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459991B (zh) * | 2018-03-12 | 2021-12-21 | 哈尔滨工程大学 | 一种获得设备可靠性数据的方法 |
CN109598047A (zh) * | 2018-11-26 | 2019-04-09 | 国家电网公司 | 一种变电设备寿期预测方法及系统 |
CN109783945B (zh) * | 2019-01-21 | 2021-02-02 | 电子科技大学 | 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 |
CN110069750A (zh) * | 2019-04-12 | 2019-07-30 | 电子科技大学 | 基于四参数威布尔分布的非精确分析方法 |
CN111291486B (zh) * | 2020-02-09 | 2022-04-08 | 吉林大学 | 一种数控机床系统组件可靠性评估方法 |
CN114580118B (zh) * | 2022-03-25 | 2023-12-15 | 兰州空间技术物理研究所 | 一种离子推力器寿命及可靠性定量评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081767A (zh) * | 2011-01-29 | 2011-06-01 | 河南科技大学 | 基于乏信息理论融合的产品寿命特征信息提取方法 |
CN103065052A (zh) * | 2013-01-07 | 2013-04-24 | 河南科技大学 | 一种测定机械产品理论寿命的方法 |
CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学(保定) | 小样本失效数据下继电保护系统可靠性评估方法 |
CN104573361A (zh) * | 2015-01-04 | 2015-04-29 | 深圳供电局有限公司 | 一种gis设备评估的方法和装置 |
CN105426647A (zh) * | 2016-01-18 | 2016-03-23 | 中国人民解放军国防科学技术大学 | 基于可靠度先验信息融合的冷备系统可靠度估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9008458B2 (en) * | 2013-02-07 | 2015-04-14 | Raytheon Company | Local area processing using packed distribution functions |
-
2017
- 2017-10-26 CN CN201711011259.6A patent/CN107766300B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081767A (zh) * | 2011-01-29 | 2011-06-01 | 河南科技大学 | 基于乏信息理论融合的产品寿命特征信息提取方法 |
CN103065052A (zh) * | 2013-01-07 | 2013-04-24 | 河南科技大学 | 一种测定机械产品理论寿命的方法 |
CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学(保定) | 小样本失效数据下继电保护系统可靠性评估方法 |
CN104573361A (zh) * | 2015-01-04 | 2015-04-29 | 深圳供电局有限公司 | 一种gis设备评估的方法和装置 |
CN105426647A (zh) * | 2016-01-18 | 2016-03-23 | 中国人民解放军国防科学技术大学 | 基于可靠度先验信息融合的冷备系统可靠度估计方法 |
Non-Patent Citations (5)
Title |
---|
Bayesian Inference and Life Testing Plan for the Weibull Distribution in Presence of Progressive Censoring;Debasis Kundu;《Technometrics》;20120101;第50卷;144-154 * |
Chi-Squared Type Test for the AFT-Generalized Inverse Weibull Distribution;Hafida Goual;《Communications in Statistics - Theory and Methods》;20140404;第43卷;2605-2617 * |
基于伽马和威布尔分布的机械零部件可靠性设计;王铁 等;《2008(沈阳)国际安全科学与技术学术研讨会论文集》;20081230;79-83 * |
广义修正Weibull分布参数的估计方法;郭茜;《中国优秀硕士学位论文全文数据库基础科学辑》;20120115(第1期);A002-150 * |
无失效数据的可靠性统计分析;熊莲花;《中国优秀博硕士学位论文全文数据库 (硕士)基础科学辑》;20041215(第4期);A002-309 * |
Also Published As
Publication number | Publication date |
---|---|
CN107766300A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766300B (zh) | 基于威布尔-伽马模型的电力系统可靠性非精确分析方法 | |
CN104166787B (zh) | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
WO2020224724A1 (de) | Server-seitige charakterisierung von wiederaufladbaren batterien | |
CN105300692A (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
Messervey et al. | Application of the statistics of extremes to the reliability assessment and performance prediction of monitored highway bridges | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
Bhuiyan et al. | Evaluating thermal aging characteristics of electric power transmission lines | |
CN113505927B (zh) | 太阳能驱鸟设备电池容量选型方法、装置、设备和介质 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN110288144A (zh) | 一种基于效用理论和d-s证据推理的深基坑安全性评估方法 | |
CN104615866A (zh) | 一种基于物理统计模型的寿命预测方法 | |
Goerdin et al. | Monte Carlo simulation applied to support risk-based decision making in electricity distribution networks | |
CN105699849A (zh) | 一种基于量子行为粒子群优化算法的电压暂降估计方法 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN110069750A (zh) | 基于四参数威布尔分布的非精确分析方法 | |
CN114252103A (zh) | 融合电站运行故障预测方法 | |
KR20200003318A (ko) | 전기차 충전전력을 고려한 배전 변전소 변압기의 열화 및 잔여수명 예측 방법 및 그 시스템 | |
CN116502534A (zh) | 一种储能电池热失控实时预警及长短期故障预测方法 | |
CN114462259A (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
CN107633271B (zh) | 电力系统稳态可用度非精确概率计算方法 | |
CN105023060B (zh) | 融合制造设备退化信息的生产合格率预测方法 | |
CN117477558A (zh) | 一种基于电网负荷的预测方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |